CN112036155A - 文本生成方法、文本生成装置及计算机可读存储介质 - Google Patents

Abstract

本公开涉及一种文本生成方法、文本生成装置及计算机可读存储介质。方法包括：获取目标文本；确定所述目标文本中待***修辞文本的目标位置；根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本；将所述修辞文本***至所述目标位置。如此，无需用户输入本体和喻体即可自动生成修辞文本，使得生成的修辞文本更加多样，提高了生成修辞文本的智能化程度。并且，在生成修辞文本时参考了处于目标位置的预设范围内的文本的语义，使得生成的修辞文本的语义与目标位置的预设范围内的文本的语义较为匹配，提高了对目标文本修饰的准确度，从而提高了修饰后的文本的信息量。

Description

文本生成方法、文本生成装置及计算机可读存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种文本生成方法、文本生成装置及计算机可读存储介质。

背景技术

随着科学技术的飞速发展，大量先进技术不断涌现，自然语言处理技术即为其中一个重要的技术。在自然语言处理技术的广泛应用中，自动生成文本成为一个研究的热点问题。文本生成在人工智能、神经网络的发展下有了长足的进展，如自动摘要生成、自动标题生成、AI写诗、人机对话、文本风格转换、故事生成等等。而对于人类语言写作技巧的自动化使用却少有研究或产品涉及。

在相关技术中，在学界中围绕故事生成(story generation)的任务，有着许多相关研究。其中，故事生成即是使用encoder-decoder框架模型，给定一段文本作为开头输入模型，模型就会继续生成一段合适的故事展开文本或结尾文本。其中，模型在生成故事展开文本或结尾文本时刻结合相应情感、主人公设定、指示图谱作为额外输入，增强辅助故事生成的结果。

上述用于故事生成的模型或多或少会生成一些包含有修饰性语句的句子，但是其缺点很明显：在于端到端生成，对于使用什么样的修辞写作手法，完全不可控。另外，现有的端到端方法生成比喻的技术，输入必须为一对比喻的本体和喻体，模型才能针对性生成相应的比喻文本。换言之，该技术仅限于给定本体和喻体的比喻文本的生成。并且，利用该技术生成比喻文本时并不参考上下文语义，无法保证所生成的文本忠于原文。

发明内容

为克服相关技术中存在的问题，本公开提供一种文本生成方法、文本生成装置及计算机可读存储介质。

根据本公开实施例的第一方面，提供一种文本生成方法，包括：

获取目标文本；

确定所述目标文本中待***修辞文本的目标位置；

根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本；

将所述修辞文本***至所述目标位置。

可选地，所述确定所述目标文本中待***修辞文本的目标位置，包括：

对所述目标文本进行分词处理，得到所述目标文本的分词结果，其中，所述分词结果包括各分词以及分词所在的位置；

将所述分词结果输入至修饰概率预测模型，得到所述修饰概率预测模型输出的各位置对应的修饰概率，其中，位置对应的修饰概率用于表征在所述位置处***待生成的所述修辞文本的概率；

将最大修饰概率对应的位置确定为所述目标位置。

可选地，所述根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本，包括：

根据处于所述目标位置的预设范围内的文本的语义，确定所述目标位置对应的语义向量；

根据所述语义向量生成所述修辞文本。

可选地，所述根据所述语义向量生成所述修辞文本，包括：

将所述语义向量输入至文本生成模型中，得到所述文本生成模型输出的所述修辞文本。

可选地，所述文本生成模型包括修辞类型生成子模型和修辞文本生成子模型；

所述将所述语义向量输入至文本生成模型中，得到所述文本生成模型输出的所述修辞文本，包括：

将所述语义向量输入至所述修辞类型生成子模型，得到所述修辞类型生成子模型输出的待生成的所述修辞文本的修辞类型向量；

将所述语义向量和所述修辞类型向量输入至所述修辞文本生成子模型，得到所述修辞文本生成子模型输出的所述修辞文本。

可选地，所述文本生成模型通过以下方式得到：

获取去除修辞文本后的原始文本，以及去除的所述修辞文本在所述原始文本中的位置对应的语义向量；

将所述位置对应的语义向量作为模型输入参数，将去除的所述修辞文本作为模型输出参数，对神经网络进行训练，以获得所述文本生成模型。

可选地，所述方法应用于服务器，所述服务器运行有修饰概率预测模型以及文本生成模型；

所述获取目标文本包括：所述服务器获取客户端上传的目标文本；

所述确定所述目标文本中待***修辞文本的目标位置，包括：所述服务器对所述目标文本进行分词处理，得到所述目标文本的分词结果，并调用所述修饰概率预测模型对所述分词结果进行处理，得到各分词所在的位置对应的修饰概率，并将最大修饰概率对应的位置确定为所述目标位置；

所述根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本，包括：所述服务器根据处于所述目标位置的预设范围内的文本的语义，确定所述目标位置对应的语义向量，并调用所述文本生成模型对所述语义向量进行处理，得到所述修辞文本；

所述方法还包括：所述服务器在将所述修辞文本***至所述目标位置后，将包括所述修辞文本的新的文本发送给所述客户端。

根据本公开实施例的第二方面，提供一种文本生成装置，包括：

第一获取模块，被配置为获取目标文本；

第一确定模块，被配置为确定所述目标文本中待***修辞文本的目标位置；

生成模块，被配置为根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本；

***模块，被配置为将所述修辞文本***至所述目标位置。

可选地，所述第一确定模块包括：

分词处理子模块，被配置为对所述目标文本进行分词处理，得到所述目标文本的分词结果，其中，所述分词结果包括各分词以及分词所在的位置；

第一输入子模块，被配置为将所述分词结果输入至修饰概率预测模型，得到所述修饰概率预测模型输出的各位置对应的修饰概率，其中，位置对应的修饰概率用于表征在所述位置处***待生成的所述修辞文本的概率；

第一确定子模块，被配置为将最大修饰概率对应的位置确定为所述目标位置。

可选地，所述生成模块包括：

第二确定子模块，被配置为根据处于所述目标位置的预设范围内的文本的语义，确定所述目标位置对应的语义向量；

生成子模块，被配置为根据所述语义向量生成所述修辞文本。

可选地，所述生成子模块包括：

第二输入子模块，被配置为将所述语义向量输入至文本生成模型中，得到所述文本生成模型输出的所述修辞文本。

可选地，所述文本生成模型包括修辞类型生成子模型和修辞文本生成子模型；

所述第二输入子模块，包括：

第三输入子模块，被配置为将所述语义向量输入至所述修辞类型生成子模型，得到所述修辞类型生成子模型输出的待生成的所述修辞文本的修辞类型向量；

第四输入子模块，被配置为将所述语义向量和所述修辞类型向量输入至所述修辞文本生成子模型，得到所述修辞文本生成子模型输出的所述修辞文本。

可选地，所述装置还包括：

第一获取模块，被配置为获取去除修辞文本后的原始文本，以及去除的所述修辞文本在所述原始文本中的位置对应的语义向量；

训练模块，被配置为将所述位置对应的语义向量作为模型输入参数，将去除的所述修辞文本作为模型输出参数，对神经网络进行训练，以获得所述文本生成模型。

可选地，所述装置应用于服务器，所述服务器运行有修饰概率预测模型以及文本生成模型；

所述第一获取模块被配置为：所述服务器获取客户端上传的目标文本；

所述第一确定模块被配置为：所述服务器对所述目标文本进行分词处理，得到所述目标文本的分词结果，并调用所述修饰概率预测模型对所述分词结果进行处理，得到各分词所在的位置对应的修饰概率，并将最大修饰概率对应的位置确定为所述目标位置；

所述生成模块被配置为：所述服务器根据处于所述目标位置的预设范围内的文本的语义，确定所述目标位置对应的语义向量，并调用所述文本生成模型对所述语义向量进行处理，得到所述修辞文本；

所述装置还包括：

发送模块，被配置为所述服务器在将所述修辞文本***至所述目标位置后，将包括所述修辞文本的新的文本发送给所述客户端。

根据本公开实施例的第三方面，提供一种文本装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取目标文本；

确定所述目标文本中待***修辞文本的目标位置；

根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本；

将所述修辞文本***至所述目标位置。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的文本生成方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

采用上述技术方案，首先，确定目标文本中待***修辞文本的目标位置，接着，根据处于目标位置的预设范围内的文本的语义，生成修辞文本，最后，将所生成的修辞文本***至目标位置。如此，无需用户输入本体和喻体即可自动生成修辞文本，使得生成的修辞文本更加多样，提高了生成修辞文本的智能化程度。并且，在生成修辞文本时参考了处于目标位置的预设范围内的文本的语义，使得生成的修辞文本的语义与目标位置的预设范围内的文本的语义较为匹配，提高了对目标文本修饰的准确度，从而提高了修饰后的文本的信息量。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是相关技术中生成比喻文本的模型的示意图。

图2是根据一示例性实施例示出的一种文本生成方法的流程图。

图3是图2所示实施例示出的一种步骤S12的流程图。

图4是图2所示实施例示出的一种步骤S13的流程图。

图5是根据一示例性实施例示出的一种获得修辞文本方法的流程图。

图6是根据一示例性实施例示出的一种文本生成方法中客户端与服务器之间的交互图。

图7是根据一示例性实施例示出的一种文本生成装置的框图。

图8是根据一示例性实施例示出的一种文本生成装置的框图。

图9是根据一示例性实施例示出的一种文本生成装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在无条件式(不结合上下文语义)的比喻文本的生成方式中，采用前后向生成策略。示例地，生成比喻文本的模型可以包括backward模型和forward模型。首先使用backward模型向前生成句子直到句首；之后使用forward模型向后生成句子直到句尾。

图1是相关技术中生成比喻文本的模型的示意图。如图1所示，输入为一对本体和喻体，其中，本体为“enjoyed”，喻体为“devoured”。首先，backward模型向前生成至句首后结束。在图1中，在backward模型中，在α项中预测句首为“fire”的概率为0.4，为“she”的概率为0.3，为“flood”的概率为0.1，在β项中预测句首为“fire”的概率为0.1，为“she”的概率为0.4，为“flood”的概率为0.01，综合α项和β项结果，最终得到句首为“she”。此时句子为“shedevoured”和“sheenjoyed”。

之后，使用forward模型向后生成句子直到句尾。如图1所示，在forward模型中分别输入句子“shedevoured”和句子“she enjoyed”，forward模型依次生成文本“his”、“novels”，并在生成“novels”后结束。最终生成句子为“she devoured his novel”，即是用“devoured”隐喻“enjoyed”。

在生成比喻文本的相关技术方式，需要用户输入本体和喻体，无法在未给定本体和喻体的条件下自动生成修辞文本，导致文本生成的智能化程度较低。并且，在生成比喻文本时参考上下文语义，可能会导致生成的比喻文本不能较好地与上下文匹配。

鉴于此，本公开提供一种文本生成方法、文本生成装置及计算机可读存储介质。

在详细介绍本公开提供的文本生成方法、文本生成装置及计算机可读存储介质之前，首先对本公开所涉及应用场景进行介绍。在第一种实施例中，该应用场景可以是客户端为目标文本生成修辞文本的场景。该客户端例如可以为智能手机、平板电脑、智能手表、智能手环、PDA(英文：PersonalDigitalAssistant，中文：个人数字助理)等移动终端，也可以是台式计算机等固定终端。在第二种实施例中，该应用场景是用户通过客户端输入目标文本，服务器从客户端中接收到目标文本，并为该目标文本生成修辞文本的场景。其中，服务器可以用独立的服务器或者是多个物理服务器组成的服务器集群来实现。

图2是根据一示例性实施例示出的一种文本生成方法的流程图，如图1所示，该文本生成方法可以包括以下步骤。

在步骤S11中，获取目标文本。

在本公开中，目标文本可以为需要利用修辞文本进行修饰的文本。例如，该目标文本可以为小说作家写好的相对简单直白的叙述文字。此外，目标文本可以为句子、词语和段落等中的至少一者。本公开并不限制目标文本的长度。

在可能的一种实施例中，目标文本可以是待生成的文学作品中的语句。其中，文学作品是指以语言文字为工具，形象化地反映客观现实或表现作家心灵世界的艺术作品。文学作品可以包括诗歌、散文、小说、剧本、寓言和童话等中的至少一种。

值得说明的是，在本公开中，待生成的文学作品是指包括目标文本但尚未完全生成的文学作品。本申请各实施例中的文本生成方法就用于对目标文本进行自动修饰润色，以实现对该文学作品的创作。而并非是己知一个既有的文学作品的目标文本，查询该既有的文学作品中的修辞文本。

在可能的另一种实施例中，该目标文本可以是对话交流中的语句。

值得说明的是，在上述第一种实施例示出的应用场景中，客户端具有可编辑文字的功能，用户可以直接在客户端中编辑一段相对简单直白的叙述文本，如此，客户端即可获取到目标文本。或者，用户在其他可编辑文本的设备中输入目标文本，之后，通过该设备将所编辑的目标文本发送给客户端，以使客户端接收到目标文本，并基于该目标文本执行后续的生成修辞文本和***修辞文本的步骤。

在上述第二种实施例示出的应用场景中，客户端与服务器通信连接，用户在客户端中编辑一段相对简单直白的叙述文本，之后，该客户端将该文本发送给服务器，如此，服务器即可接收到目标文本，并基于该目标文本执行后续的生成修辞文本和***修辞文本的步骤。

在步骤S12中，确定目标文本中待***修辞文本的目标位置。

在本公开中，目标位置是指所生成的修辞文本要***的位置，也即是，该位于目标位置之前的文本或者之后的文本需要采用修辞手法进行修饰。其中，待***修辞文本的目标位置可以为目标文本中的任一位置。例如，该目标位置可以为目标文本中的句首位置、句中位置、或者句尾位置。本公开对此不作具体限定。

在步骤S13中，根据处于目标位置的预设范围内的文本的语义，生成修辞文本。

本公开所生成的修辞文本是为了对目标文本中的词句进行修饰，以使修饰后的词句能准确形象地表达客观现实或表现作家的心灵世界，因此，在本公开中，需要根据处于目标位置的预设范围内的文本的语义，生成修辞文本，以使修辞文本的语义与目标位置的预设范围内的文本的语义相匹配。其中，预设范围可以是目标位置的前一位置至目标位置的后一位置，也可以是目标位置的前一位置至目标位置，还可以是目标位置至目标位置的后一位置。需要说明的是，还可以是前或后多个位置，例如，目标位置为5，该预设范围可以为[2，8]等等。

在步骤14中，将修辞文本***至目标位置。

在生成修辞文本之后，将修辞文本***至目标位置，以使修辞文本以更贴切地表达出目标文本的意思。

采用上述技术方案，首先，确定目标文本中待***修辞文本的目标位置，接着，根据处于目标位置的预设范围内的文本的语义，生成修辞文本，最后，将所生成的修辞文本***至目标位置。如此，无需用户输入本体和喻体即可自动生成修辞文本，使得生成的修辞文本更加多样，提高了生成修辞文本的智能化程度。并且，在生成修辞文本时参考了处于目标位置的预设范围内的文本的语义，使得生成的修辞文本的语义与目标位置的预设范围内的文本的语义较为匹配，提高了对目标文本修饰的准确度，从而提高了修饰后的文本的信息量。

为了便于本领域技术人员更好的理解本公开所提供的文本生成方法，下面以一个完整的实施例进行说明。

首先，对确定目标文本中待***修辞文本的目标位置的具体实施方式进行说明。

在一种实施例中，用户在目标文本中确定出目标位置并输入该目标位置，如此，执行该文本生成方法的设备确定目标位置。

在另一种实施例中，可以通过机器学习的方式预测目标位置。示例地，图3是图2所示实施例示出的一种步骤S12的流程图。如图2所示，步骤S12可以包括以下步骤。

在步骤S121中，对目标文本进行分词处理，得到目标文本的分词结果，其中，分词结果包括各分词以及分词所在的位置。

可以采用相关技术中的分词技术对目标进行分词，本公开对分词处理的具体方式不作限制。

在一种可能的方式中，目标文本为中文文本，在对中文文本进行分词处理之后，中文文本中的每一字符均为一分词。例如，目标文本为“我今天吃了晚饭，感觉很好吃。”分词处理后的分词为“我/今/天/吃/了/晚/饭/，/感/觉/很/好/吃/。”各分词所在的位置依次为1至14，即，分词“我”在目标文本中的位置为1，“今”在目标文本中的位置为2，……“。”在目标文本中的位置为14。

在步骤122中，将分词结果输入至修饰概率预测模型，得到修饰概率预测模型输出的各位置对应的修饰概率，其中，位置对应的修饰概率用于表征在位置处***待生成的修辞文本的概率。

修饰概率预测模型为预先训练得到的模型，并且，可以通过以下训练方式得到：首先，针对每一样本目标文本，获取该样本目标文本的样本分词结果，以及各分词所在位置对应的修饰概率标签。之后，将样本分词结果作为模型输入参数，将各位置对应的修饰概率作为模型输出参数，对神经网络进行训练，得到修饰概率预测模型。

考虑到BERT(Bidirectional Encoder Representation from Transformers)性能效果强大，并且通过无监督的训练方式在大规模语料中进行预训练，能够更好的适配缺乏标注数据的下游任务，例如，自动修饰润色文本等，因此，在一种优选地方式中，可以采用BERT作为修饰概率预测模型。具体的训练方式可参照现有的神经网络模型的训练方式，此处不作限制。

分词所在位置对应的修饰概率标签可以向量形式表达，并且，在该向量中只有用户标注的需要***修辞文本的位置对应的修饰概率为1，其他位置对应的修饰概率均为0。

在训练得到修饰概率预测模型之后，只需将目标文本的分词结果输入至该修饰概率预测模型，即可得到该修饰概率预测模型输出的各位置对应的修饰概率。

值得说明的是，还可以将分词结果进行编码，编码出长度为L的向量序列，其中，长度L等于位置数量，例如，分词结果包括的位置为1至14，则编码得到的向量序列的长度L即为14。此外，在修饰概率预测模型中可以采用Softmax函数得到长度为L的概率向量。

在步骤123中，将位置中最大修饰概率对应的位置确定为目标位置。

如上所述，位置对应的修饰概率用于表征在位置处***待生成的修辞文本的概率，某一位置对应的概率值越大表征在该位置***修辞文本的概率就越大，因此，在本公开中，在得到各位置对应的修饰概率之后，比较各修饰概率的大小，将位置中最大修饰概率对应的位置确定为目标位置。

继续沿用上述例子，目标文本为“我今天吃了晚饭，感觉很好吃。”，将该目标文本的分词结果输入至按照上述方式预先训练后的修饰概率预测模型，该修饰概率预测模型即可输出表征各位置对应的修饰概率的概率向量，且该概率向量为[0.1,0.01,0.02,0.02,0.05,0.2,0.01,0.04,0.05,0.1,0,0,0,0.4]，则目标位置即为位置14，即，需要在该位置处***修辞文本。值得说明的是，在该位置处***修辞文本可以是在该位置的前一位置处***修辞文本，也可以是在该文字的后一位置处***修辞文本，用户可以根据实际需求进行设置，本公开对此不作具体限定。在实际应用中，多是利用修辞文本对前一词句进行修饰，因此，本公开中，以将修辞文本***目标位置的后一位置处，以对目标位置或者目标位置前一位置处的词句进行修饰。

例如，后续生成的修辞文本为“仿佛山珍海味一般”，则将修辞文本***至目标位置后，得到的文本为“我今天吃了晚饭，感觉很好吃。仿佛山珍海味一般”。

接着，对图2中的步骤S13进行说明。图4是图2所示实施例示出的一种步骤S13的流程图。如图4所示，步骤S13可以包括以下步骤。

在步骤131中，根据处于目标位置的预设范围内的文本的语义，确定目标位置对应的语义向量；

在步骤132中，根据语义向量生成修辞文本。

为了确保所生成的修辞文本能够在最大程度上忠于目标文本，在本公开中，可以根据处于目标位置范围内的文本的语义，确定目标位置对应的语义向量，并基于该语义向量生成修辞文本。

在本公开中，目标位置对应的语义向量用于表征处于目标位置的预设范围内的文本的语义向量。可以理解，语义向量是对处于目标位置的预设范围内的文本的低维表达，涵盖了该处于目标位置的预设范围内的文本的特征信息。该语义向量为句向量，即，一个语义向量中可以包括多个词向量。

例如，可以对处于目标位置的预设范围内的文本中的每一分词进行编码，以得到每一分词对应的语义，之后，综合处于目标位置的预设范围内的多个分词对应的语义，确定出目标位置对应的语义向量。

在可能的方式中，可以通过机器学习的方式生成修辞文本。例如，将语义向量输入至文本生成模型中，得到该文本生成模型输出的修辞文本。

其中，文本生成模型可以通过以下方式得到：首先，获取去除修辞文本后的原始文本，以及去除的修辞文本在原始文本中的位置对应的语义向量。示例地，可参照图4中所描述的方式确定语义向量。之后，将位置对应的语义向量作为模型输入参数，将去除的修辞文本作为模型输出参数，对神经网络进行训练，以获得文本生成模型。具体的训练方式可以参照现有的神经网络模型训练方式，此处不作限制。

至此即可得到训练完成后的文本生成模型，并可以利用该文本生成模型确定出修辞文本。

在实际应用中，修辞类型是指修辞方法的类型，其可以有多种，例如，比喻，拟人，反复、排比和顶真等等。为了进一步提高所生成的修辞文本的准确性，在本公开中还可以先确定出修辞类型，之后，再基于修辞类型和语义向量生成修辞文本。

在一种方式中，可以是用户输入修辞类型，执行生成文本方法的设备获取到用户输入的修辞类型之后，根据该修辞类型和语义向量生成修辞文本。

在另一种方式中，执行生成文本方法的设备可以自动生成修辞类型，之后，根据该修辞类型和语义向量生成修辞文本。

在该方式中，文本生成模型包括修辞类型生成子模型和修辞文本生成子模型。如图5所示，上述将语义向量输入至文本生成模型中，得到所述文本生成模型输出的所述修辞文本可以进一步包括步骤S51和步骤S52。

在步骤S51中，将语义向量输入至修辞类型生成子模型，得到修辞类型生成子模型输出的待生成的修辞文本的修辞类型向量。

在本公开中，修辞类型向量是对修辞类型采用情况的向量化。修辞类型向量可以包括表示具体修辞类型的向量，修辞类型向量还可以包括表示不采用修辞类型的向量。即，修辞类型向量可以表示无修辞类型的含义，而不限定于仅表示具体修辞类型，因为目标文本可能不需要利用修辞文本进行修饰。

在一个实施例中，预设的修辞类型包括：比喻，拟人，反复、排比和顶真。结合具体的修辞类型来举例说明修辞类型向量的实质形式，比如，表示比喻的修辞类型向量则可以为[1,0,0,0]，表示拟人的修辞类型向量则可以为[0,1,0,0]。

上述文本生成模型可以包括两个子模型，分别为用于生成用于表征修辞类型的修辞类型向量的修辞类型生成子模型和用于生成修辞文本的修辞文本生成子模型。

其中，修辞类型生成子模型可以通过以下训练方式训练得到：首先，获取去除的修辞文本在原始文本中的位置对应的样本语义向量，以及，去除的修辞文本的样本修辞类型向量；之后，将该样本语义向量作为模型输入参数，将该样本修辞类型向量作为模型输出参数，对神经网络模型进行训练，以获得修辞类型生成子模型。具体的训练方式可以参照现有的神经网络模型训练方式，此处不作限制。

在步骤S52中，将语义向量和修辞类型向量输入至修辞文本生成子模型，得到修辞文本生成子模型输出的修辞文本。

示例地，可以将语义向量和修辞类型向量组合为一个向量，输入至修辞文本生成子模型，之后，修辞文本生成子模型对组合后的向量进行解码，生成修辞文本。其中，修辞文本生成子模型可以包括transformer解码器。值得说明的是，本公开对组合方式并不作具体限定。

在一种可能的方式中，可以直接以拼接的方式组合成一个向量，拼接的先后顺序不作限定。例如，可以将修辞类型向量拼接在语义向量之后，或者将修辞类型向量拼接在语义向量之前。在另一种可能的方式中，可以采用向量元素重组的方式组合成一个向量。例如，修辞类型向量为[0,1,0,0]，语义向量为[1,1,1,0,0,1,0]，那么，以向量元素重组的方式进行组合，可以得到组合后的向量为[1,1,1,0,0,1,0,1,0,0,0]。可以理解，将语义向量和修辞类型向量进行合理的融合，能够让修辞手法更加恰当地进行体现，提高所生成的修辞文本的准确性。

修辞文本生成子模型可以通过以下训练方式训练得到：首先，获取样本语义向量、样本修辞类型向量以及去除的修辞文本；之后，将样本语义向量、样本修辞类型向量作为模型输入参数，将去除的修辞文本作为模型输出参数，对神经网络模型进行训练，以获得修辞文本生成子模型。具体的训练方式可以参照现有的神经网络模型训练方式，此处不作限制。

值得说明的是，上述修饰概率预测模型和文本生成模型可以为同一个模型，在该模型中，既可以预测出目标位置，也可以进一步生成修辞文本。只需将目标文本的分词结果输入该模型，该模型即可输出目标位置以及修辞文本，之后，执行文本生成方法的电子设备即可将修辞文本***至目标位置即可。在该情况下，模型是通过将样本目标文本的分词结果作为模型输入参数，将样本目标文本的目标位置和修辞文本作为模型输出参数，对神经网络进行训练得到的。

图6是根据一示例性实施例示出的一种文本生成方法中客户端与服务器之间的交互图。其中，服务器运行有修饰概率预测模型以及文本生成模型。如图6所示，该方法包括以下步骤。

在步骤S61中，客户端上传目标文本。例如，用户可以直接在客户端中编辑生成目标文本，之后，客户端将目标文本上传。

在步骤S62中，服务器获取客户端上传的目标文件。

在步骤S63中，服务器对目标文本进行分词处理，得到目标文本的分词结果，并调用修饰概率预测模型对分词结果进行处理，得到各分词所在的位置对应的修饰概率，将最大修饰概率对应的位置确定为目标位置。其中，确定目标位置的具体实施方式可以参照图3所描述的方式，此处不再赘述。

在步骤S64中，服务器根据处于目标位置的预设范围内的文本的语义，确定目标位置对应的语义向量，并调用文本生成模型对语义向量进行处理，得到修辞文本。其中，得到修辞文本的具体实施方式可以参照图4所描述的方式，此处不再赘述。

在步骤S65中，服务器将修辞文本***至目标位置。

在步骤S66中，服务器将包括修辞文本的新的文本发送给客户端。

基于同一发明构思，本公开还提供一种文本生成装置。图7是根据一示例性实施例示出的一种文本生成装置的框图。如图7所示，该文本生成装置可以包括：

第一获取模块701，被配置为获取目标文本；

第一确定模块702，被配置为确定所述目标文本中待***修辞文本的目标位置；

生成模块703，被配置为根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本；

***模块704，被配置为将所述修辞文本***至所述目标位置。

可选地，所述第一确定模块702包括：

分词处理子模块，被配置为对所述目标文本进行分词处理，得到所述目标文本的分词结果，其中，所述分词结果包括各分词以及分词所在的位置；

第一输入子模块，被配置为将所述分词结果输入至修饰概率预测模型，得到所述修饰概率预测模型输出的各位置对应的修饰概率，其中，位置对应的修饰概率用于表征在所述位置处***待生成的所述修辞文本的概率；

第一确定子模块，被配置为将最大修饰概率对应的位置确定为所述目标位置。

可选地，所述生成模块703包括：

第二确定子模块，被配置为根据处于所述目标位置的预设范围内的文本的语义，确定所述目标位置对应的语义向量；

生成子模块，被配置为根据所述语义向量生成所述修辞文本。

可选地，所述生成子模块包括：

第二输入子模块，被配置为将所述语义向量输入至文本生成模型中，得到所述文本生成模型输出的所述修辞文本。

可选地，所述文本生成模型包括修辞类型生成子模型和修辞文本生成子模型；

所述第二输入子模块，包括：

第三输入子模块，被配置为将所述语义向量输入至所述修辞类型生成子模型，得到所述修辞类型生成子模型输出的待生成的所述修辞文本的修辞类型向量；

第四输入子模块，被配置为将所述语义向量和所述修辞类型向量输入至所述修辞文本生成子模型，得到所述修辞文本生成子模型输出的所述修辞文本。

可选地，所述装置还包括：

第一获取模块，被配置为获取去除修辞文本后的原始文本，以及去除的所述修辞文本在所述原始文本中的位置对应的语义向量；

训练模块，被配置为将所述位置对应的语义向量作为模型输入参数，将去除的所述修辞文本作为模型输出参数，对神经网络进行训练，以获得所述文本生成模型。

可选地，所述装置应用于服务器，所述服务器运行有修饰概率预测模型以及文本生成模型；

所述第一获取模块701被配置为：所述服务器获取客户端上传的目标文本；

所述第一确定模块702被配置为：所述服务器对所述目标文本进行分词处理，得到所述目标文本的分词结果，并调用所述修饰概率预测模型对所述分词结果进行处理，得到各分词所在的位置对应的修饰概率，并将最大修饰概率对应的位置确定为所述目标位置；

所述生成模块703被配置为：所述服务器根据处于所述目标位置的预设范围内的文本的语义，确定所述目标位置对应的语义向量，并调用所述文本生成模型对所述语义向量进行处理，得到所述修辞文本；

所述装置还包括：

发送模块，被配置为所述服务器在将所述修辞文本***至所述目标位置后，将包括所述修辞文本的新的文本发送给所述客户端。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的文本生成方法的步骤。

图8是根据一示例性实施例示出的一种用于生成文本的装置的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的文本生成方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理***，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的文本生成方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述的文本生成方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的文本生成方法的代码部分。

图9是根据一示例性实施例示出的一种文本生成装置1900的框图。例如，装置1900可以被提供为一服务器。参照图9，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述文本生成方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***，例如Windows Server^TM，MacOS X^TM，Unix^TM，Linux^TM，FreeBSD^TM或类似。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种文本生成方法，其特征在于，包括：

获取目标文本；

确定所述目标文本中待***修辞文本的目标位置；

根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本；

将所述修辞文本***至所述目标位置。

2.根据权利要求1所述的方法，其特征在于，所述确定所述目标文本中待***修辞文本的目标位置，包括：

对所述目标文本进行分词处理，得到所述目标文本的分词结果，其中，所述分词结果包括各分词以及分词所在的位置；

将所述分词结果输入至修饰概率预测模型，得到所述修饰概率预测模型输出的各位置对应的修饰概率，其中，位置对应的修饰概率用于表征在所述位置处***待生成的所述修辞文本的概率；

将最大修饰概率对应的位置确定为所述目标位置。

3.根据权利要求1所述的方法，其特征在于，所述根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本，包括：

根据处于所述目标位置的预设范围内的文本的语义，确定所述目标位置对应的语义向量；

根据所述语义向量生成所述修辞文本。

4.根据权利要求3所述的方法，其特征在于，所述根据所述语义向量生成所述修辞文本，包括：

将所述语义向量输入至文本生成模型中，得到所述文本生成模型输出的所述修辞文本。

5.根据权利要求4所述的方法，其特征在于，所述文本生成模型包括修辞类型生成子模型和修辞文本生成子模型；

所述将所述语义向量输入至文本生成模型中，得到所述文本生成模型输出的所述修辞文本，包括：

将所述语义向量输入至所述修辞类型生成子模型，得到所述修辞类型生成子模型输出的待生成的所述修辞文本的修辞类型向量；

将所述语义向量和所述修辞类型向量输入至所述修辞文本生成子模型，得到所述修辞文本生成子模型输出的所述修辞文本。

6.根据权利要求4所述的方法，其特征在于，所述文本生成模型通过以下方式得到：

获取去除修辞文本后的原始文本，以及去除的所述修辞文本在所述原始文本中的位置对应的语义向量；

将所述位置对应的语义向量作为模型输入参数，将去除的所述修辞文本作为模型输出参数，对神经网络进行训练，以获得所述文本生成模型。

7.根据权利要求1所述的方法，其特征在于，所述方法应用于服务器，所述服务器运行有修饰概率预测模型以及文本生成模型；

所述获取目标文本包括：所述服务器获取客户端上传的目标文本；

所述确定所述目标文本中待***修辞文本的目标位置，包括：所述服务器对所述目标文本进行分词处理，得到所述目标文本的分词结果，并调用所述修饰概率预测模型对所述分词结果进行处理，得到各分词所在的位置对应的修饰概率，并将最大修饰概率对应的位置确定为所述目标位置；

所述根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本，包括：所述服务器根据处于所述目标位置的预设范围内的文本的语义，确定所述目标位置对应的语义向量，并调用所述文本生成模型对所述语义向量进行处理，得到所述修辞文本；

所述方法还包括：所述服务器在将所述修辞文本***至所述目标位置后，将包括所述修辞文本的新的文本发送给所述客户端。

8.一种文本生成装置，其特征在于，包括：

第一获取模块，被配置为获取目标文本；

第一确定模块，被配置为确定所述目标文本中待***修辞文本的目标位置；

生成模块，被配置为根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本；

***模块，被配置为将所述修辞文本***至所述目标位置。

9.一种文本装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取目标文本；

确定所述目标文本中待***修辞文本的目标位置；

根据处于所述目标位置的预设范围内的文本的语义，生成所述修辞文本；

将所述修辞文本***至所述目标位置。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～7中任一项所述方法的步骤。

Images